[發(fā)明專利]一種用于分布式大規(guī)模多天線系統(tǒng)的半監(jiān)督學習定位方法

有效

• 申請?zhí)枺?/td>: 202010280483.0
• 申請日: 2020-04-10
• 公開（公告）號: CN111523571B
• 公開（公告）日: 2023-09-29
• 發(fā)明（設計）人: 江明;武曉鴿
• 申請（專利權）人: 中山大學
• 主分類號: G06F18/214
• 分類號: G06F18/214;G06F18/2413;G06F18/27;H04B7/0413;H04B17/318;H04B17/391
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 林麗明

1.一種用于分布式大規(guī)模多天線系統(tǒng)的半監(jiān)督學習定位方法，其特征在于，包括以下步驟：

S1：生成兩個不同的數據集，包括訓練數據集和坐標隸屬度集；

S2：利用半監(jiān)督學習算法估計高斯混合模型GMM參數，根據訓練數據集對GMM進行初始化；所述高斯混合模型GMM的架構具體為：

給定訓練數據集R＝{r₁,r₂,…,r_N}，對n∈{1,2,…,N}，N為位置已知的先驗信息數量，由于r_n是基于不同位置上發(fā)送的正交導頻信號的對應接收信號，因此認為訓練數據r_n是相互獨立的；對于任意坐標軸Ψ，Ψ∈{x,y,z}來表示x、y、z坐標軸，分別將每個坐標軸分為L個區(qū)間，假設{r₁,r₂,…,r_N}由式(7)中的GMM產生：

其中，α_Ψl為GMM系數，0≤α_Ψl≤1且μ_Ψ和Σ_Ψ分別為GMM的均值和協(xié)方差矩陣；基于式(7)，GMM可分為L個高斯混合成分，其中第l個GMC的均值和協(xié)方差矩陣分別為μ_Ψl和Σ_Ψl，P(r_n|μ_Ψl,Σ_Ψl)為高斯分布概率密度函數，如式(8)所示：

留意到，式(8)中的高斯分布可用任意分布替換來生成特定的混合模型；

基于GMM的特性，假設訓練數據{r₁,r₂,…,r_N}由下面過程產生：

首先，基于概率α_Ψl選擇第l個GMC，其均值為μ_Ψl，協(xié)方差矩陣為Σ_Ψl；

其次，根據第l個GMC的概率分布，生成數據r_n；

對于任意坐標軸Ψ，定義為數據r_n由第l個GMC產生的概率，它是基于GMM的系統(tǒng)參數估計的一個目標參數，表示第n個數據對第l個區(qū)間的高斯隸屬度；表示為：

由GMM參數集Ω_Ψ＝{(α_Ψ1,μ_Ψ1,Σ_Ψ1),(α_Ψ2,μ_Ψ2,Σ_Ψ2),…,(α_ΨL,μ_ΨL,Σ_ΨL)}決定，其中Ω_Ψ通過EM算法進行迭代估計；其中，最簡單的的形式為：

S3：基于半監(jiān)督期望極大EM算法對GMM參數進行迭代估計，完成GMM的訓練；其步驟包括：

基于前述的初始化參數，利用現有的EM算法估計參數Ω_Ψ＝{(α_Ψ1,μ_Ψ1,Σ_Ψ1),(α_Ψ2,μ_Ψ2,Σ_Ψ2),…,(α_ΨL,μ_ΨL,Σ_ΨL)}；具體地，定義第l個GMC的參數為Ω_Ψl＝(α_Ψl,μ_Ψl,Σ_Ψl)，令φ(r_n|Ω_Ψl)＝P(r_n|μ_Ψl,Σ_Ψl)，則迭代估計過程表示為：

初始化：令t＝0，獲得

E步：基于當前參數其中l(wèi)∈{1,…,L}，計算高斯隸屬度

M步：令t＝t+1，基于更新參數：

重復E步和M步直到滿足：

其中l(wèi)∈{1,2,…,L}，ε為一個小的正數；最后輸出參數估計結果：

S4：根據訓練完成的GMM和坐標隸屬度集，完成對目標接收信號強度RSS數據對應的位置信息的估計；其步驟包括：

基于訓練得到的GMM，估計出目標RSS數據對應的位置坐標信息，即利用GMM求出待估計對應位置坐標信息的RSS向量的高斯隸屬度，再通過搜索坐標隸屬度集，從而得到測試位置的估計結果，具體為：

假設有Q個待估計對應位置坐標信息的RSS數據{s₁,s₂,…,s_Q}，依據來估計測試位置信息，其中l(wèi)∈{1,2,…,L}，q∈{1,2，…,Q}；根據式(15)，s_q對第l個GMC的高斯隸屬度表示為：

進一步地，根據和式(21)，定義目標函數

其中，為第v_Ψ個坐標樣本對第l個區(qū)間的坐標隸屬度，則為最接近s_q的高斯隸屬度的樣本點；對于Ψ軸，設第q個測試用戶在Ψ軸上的真實坐標為Ψ_q，若該用戶在Ψ軸上的估計坐標為用坐標隸屬度集采樣坐標表示為通過均方根誤差RMSE?R來衡量該系統(tǒng)的定位性能，表示如下：

至此，完成對目標接收信號強度RSS數據對應的位置信息的估計。